III.2Исследование рынка и маркетинг

Это дообученная модель семейства mT5, разработанная автором репозитория на базе google/mt5-large для перевода с японского языка на упрощённый китайский. Модель содержит около 608,4 млн параметров и предназначена для перевода текстовых предложений. Модель дообучали один проход на парах предложений из отфильтрованных наборов CCMatrix и WikiMatrix. При обучении максимальная длина последовательности составляла 128 токенов, поэтому для перевода документов их следует разбивать на короткие предложения: длинные входы могут ухудшить качество. Веса опубликованы в формате PyTorch; лицензия в предоставленных данных не указана.

Карточка модели OpenOneRec/OneRec-8B на Hugging Face совпадает с карточкой OpenOneRec/OneRec-1.7B, поэтому описание составлено по ней. OneRec-1.7B — модель генеративных рекомендаций из семейства OpenOneRec, разработанного авторами проекта OpenOneRec. Она основана на плотной архитектуре Qwen3 и содержит около 1,8 млрд параметров. Модель предназначена для рекомендаций коротких видео, рекламы и товаров, а также для понимания пользовательских предпочтений, предсказания меток, диалоговых рекомендаций и объяснения рекомендаций. В модели история взаимодействий представляется последовательностью специальных Itemic Tokens, созданных с помощью иерархической векторной квантизации. По README, обучение включало совместное предварительное обучение, настройку на инструкции, дистилляцию и обучение с подкреплением. Модель работает с текстовым вводом и генерирует текст; контекст составляет до 40 960 токенов. README сообщает о результатах на RecIF-Bench и переносе на наборы Amazon, но практические инструкции по запуску ещё готовятся. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-bem-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с бемба (bem) на английский (en) и предназначена для перевода отдельных текстов и предложений. Модель построена на архитектуре Marian Transformer с выравниванием, содержит 55,8 млн параметров и использует нормализацию и токенизацию SentencePiece; заявленная длина контекста — 512 токенов. В README приведён результат BLEU 33,4 и chr-F 0,491 на тестовом наборе JW300.bem.en. Модель доступна под лицензией Apache-2.0; указаны форматы PyTorch и TensorFlow. Показатели качества относятся к указанному тестовому набору и не гарантируют такого же качества на других текстах.

Helsinki-NLP/opus-mt-en-bcl — модель машинного перевода из семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст с английского языка на бикольский (bcl). Модель основана на архитектуре MarianMT с трансформером типа transformer-align; для предобработки используются нормализация и SentencePiece. В наборе данных указаны OPUS и обратный перевод (opus+bt).

Helsinki-NLP разработала opus-mt-fr-mt — модель машинного перевода с французского языка на мальтийский. Она построена на архитектуре Transformer-align семейства Marian, обучена на данных OPUS и использует нормализацию текста и токенизацию SentencePiece. Модель содержит 54,4 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов и предложений с французского на мальтийский. В карточке приведён результат BLEU 28,7 и chr-F 0,466 на тестовом наборе JW300.fr.mt. Весам доступна лицензия Apache-2.0.

OSim-8B — текстовая постобученная модель для симуляции поведения человека, разработанная группой Carnegie Mellon University Language Technologies Institute (CMU LTI) и опубликованная под идентификатором cmu-lti/osim-8b. Это дообученная версия Qwen/Qwen3-8B с плотной архитектурой Qwen3ForCausalLM и 7,6 млрд параметров; модель принимает текст, поддерживает контекст до 32 768 токенов и выдаёт текст. Её обучали на корпусе OdysSim из 62 поведенческих наборов данных, а затем применяли целевое обучение с подкреплением и консолидацию экспертных данных. Модель предназначена для генерации следующей реплики от лица пользователя или другого участника диалога при заданном социальном контексте: роли, цели, биографии и стиля общения. Её используют для оценки диалоговых и агентных систем, социальной симуляции, моделирования персон и ролевых диалогов. В описанном τ-USI бенчмарке модель показала USI 75,6 на задачах в сферах авиаперевозок и розничной торговли; авторы также отмечают высокую реактивность и калибровку исходов. Модель не ориентирована на поведение полезного ассистента: она имитирует сторону человека или пользователя. Поддержка конкретных языков в карточке не заявлена. Репозиторий распространяется по лицензии MIT.

Модель francesca9805/ppt-wc-zipf-newlex-nld-before-100mb-packed-bfd_seed10 — дообученная с помощью TRL GPT-2-подобная модель Goldfish, основанная на goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста в ответ на пользовательские запросы; карточка показывает пример ответа на вопрос в формате чата. Модель использует архитектуру GPT2LMHeadModel, веса сохранены в safetensors, длина контекста — 512 токенов. Модель может использоваться для генерации продолжений и простых ответов на английском языке. Карточка не сообщает об узкой специализации или оценках качества. Условия лицензии в предоставленных данных не приведены.

Randeng-Pegasus-238M-Chinese — китайская модель для генерации кратких пересказов, разработанная командой Fengshenbang при IDEA-CCNL. Она следует архитектуре PEGASUS и обучалась на корпусе WuDao объёмом 180 ГБ; в карточке Hugging Face указано 151,6 млн параметров, хотя в README модель обозначена как 238M. Для токенизации используются jieba и BERT-токенизатор. Модель предназначена для абстрактивного суммирования китайских текстов; доступна также отдельная большая версия и версия, дообученная на китайских датасетах суммаризации. Модель принимает текст и генерирует текстовое резюме. Метаданные указывают контекст длиной 1024 токена и формат PyTorch. В карточке не приведены сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

frankjoshua/realvisxlV40_v40Bakedvae — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face и основанная на RealVisXL V4.0 от SG161222. Она предназначена для создания фотореалистичных изображений людей, сцен и объектов по промптам. Модель совместима с Diffusers и StableDiffusionXLPipeline, распространяется в формате Safetensors и содержит около 3 млрд параметров. Это чекпойнт семейства Stable Diffusion XL с встроенным VAE; основной сценарий — text-to-image генерация с использованием SDXL-инструментов, включая Diffusers, ComfyUI и совместимые локальные приложения. Язык промптов явно не указан в доступных метаданных. Сильная сторона модели — ориентация на реалистичную визуальную стилистику и детализированные изображения. Ограничения включают зависимость качества от промпта, параметров сэмплирования и аппаратных ресурсов; модель не является универсальной мультимодальной системой и не предназначена для распознавания или анализа изображений. Для семейства RealVisXL V4.0 указана лицензия CreativeML Open RAIL++/openrail++; перед коммерческим применением необходимо проверить условия лицензии конкретного репозитория.

Sailor-1.8B — языковая модель семейства Sailor, разработанная для понимания и генерации текста на языках Юго-Восточной Азии. Это плотная авторегрессионная модель на архитектуре Qwen2, дообученная на базе Qwen/Qwen1.5-1.8B; в репозитории представлены веса Safetensors, а размер модели составляет около 1,5 млрд параметров. Модель предназначена для продолжения текста и диалоговых сценариев, включая ответы на вопросы и рассуждения на индонезийском, тайском, вьетнамском, малайском и лаосском языках. Поддерживает контекст до 8192 токенов и рассчитана на применение с Transformers. Лицензия — Apache-2.0. К сильным сторонам относятся специализация на языках региона и компактный размер. Качество может уступать более крупным моделям, а сведения о поддержке русского и других языков за пределами указанных в карточке не подтверждены.

Модель francesca9805/swa-latn-100mb-ppt-Dp-100mb-packed-bfd_seed10 — дообученная на базе goldfish-models/swa_latn_100mb генеративная языковая модель семейства GPT-2. Согласно карточке, обучение выполнено с использованием TRL; модель предназначена для генерации текста и может отвечать на пользовательские вопросы в формате диалога. Она доступна в формате safetensors и имеет контекстное окно 512 токенов. Сведения о лицензии и конкретных языках обучения в карточке и метаданных отсутствуют.

WindyTranslate/translate-en-ga — модель машинного перевода от Windstorm Labs, созданная дообучением Helsinki-NLP/opus-mt-en-ga на параллельных корпусах и слиянием LoRA-адаптера с базовыми весами. Модель на архитектуре MarianMT содержит 54,2 млн параметров, принимает текст и переводит с английского на ирландский. Контекст модели — до 512 токенов; она поставляется в формате safetensors для Transformers. Модель подходит для перевода английских фраз и документов на ирландский язык. В карточке приведена скрининговая оценка на 48 предложениях FLORES-200 dev: chrF++ 51,72 и BLEU 24,22; это небольшой тестовый набор, а не результат публикационного исследования. Поддерживается только направление en→ga, а качество зависит от текста и не гарантируется указанной оценкой. Лицензия — Apache-2.0.

WindyTranslate/translate-en-xh — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с английского языка на коса. Это дообученная версия Helsinki-NLP/opus-mt-en-xh: LoRA-настройка на параллельном корпусе объединена с базовыми весами. Модель MarianMT с 56,5 млн параметров принимает текст и выдаёт перевод; контекст составляет 512 токенов. Модель распространяется в формате safetensors для Transformers по лицензии Apache-2.0. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 39,06 и BLEU 8,00; авторы характеризуют результат как пригодный для использования, но это предварительная оценка, а не публикационный результат. Модель поддерживает только направление английский → коса, поэтому качество для других языков и направлений не заявлено.

nguyen1207/Vistral-7B-MT — дообученная модель Viet-Mistral/Vistral-7B-Chat для перевода с вьетнамского на английский. Она основана на плотной архитектуре MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для перевода вьетнамских текстов, в том числе сообщений с интернет-сленгом и неформальным написанием; также поддерживает генерацию текста в формате чата. Модель разработал nguyen1207, обучение выполнено с использованием Unsloth и TRL. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — Apache-2.0.

m3hrdadfi/wav2vec2-xlsr-persian-speech-emotion-recognition — модель распознавания эмоций в персидской речи на базе wav2vec2. По архитектуре это классификатор речи Wav2Vec2ForSpeechClassification с 402,7 млн параметров, обученный на наборе ShEMO. Модель принимает аудио и предназначена для классификации эмоционального состояния говорящего; карточка приводит метрики по классам эмоций, включая гнев, страх и радость. Модель подойдёт для анализа эмоциональной окраски персидских записей, например диалогов или голосовых сообщений. В метаданных pipeline_tag указан как automatic-speech-recognition, хотя архитектура и README описывают классификацию эмоций, поэтому фактическая задача может не совпадать с тегом. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Sami92/XLM-R-Large-Polarization-Classifier — модель классификации текста на основе XLM-RoBERTa Large, дообученная для определения поляризующих и неполяризующих утверждений. Она предназначена для анализа предложений, в частности для выявления поляризующих заявлений в текстах из Telegram и близких сценариях мониторинга публичных обсуждений. Таксономия поляризации следует работе Ashraf et al. 2024. Модель содержит 658,7 млн параметров, принимает текст и имеет контекст до 514 токенов. В обучении использовались около 5 000 постов из 200 Telegram-каналов, предварительно размеченных с помощью GPT-4o, а затем обучающие данные Ashraf et al. 2024. Карточка указывает немецкий язык. На тестовой выборке Ashraf et al. 2024 F1 составил 0,89 для неполяризующих и 0,67 для поляризующих утверждений; поэтому результаты для второго класса следует трактовать осторожно. Модель распространяется по лицензии CC BY 4.0.

GAI-LLM/Yi-Ko-6B-dpo-v6 — авторегрессионная языковая модель на архитектуре трансформера LLaMA 2, разработанная Donghoon Oh и Hanmin Myung из SK C&C G.AI Eng. Модель дообучена методом DPO на базе GAI-LLM/Yi-Ko-6B-mixed-v15 с использованием смешанной стратегии и открытого корейского датасета. Модель принимает текст и генерирует текст; она предназначена прежде всего для задач генерации на корейском языке. В карточке указан контекст 2048 токенов, а метаданные сообщают о 12,9 млрд параметров. В феврале 2024 года модель заняла первое место в категории около 7B на корейском Open KO-LLM Leaderboard. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Контекст ограничен 2048 токенами; качество за пределами корейского языка не подтверждено сведениями карточки.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-hin — генеративная языковая модель для продолжения и создания текста на хинди. Модель опубликована на Hugging Face и предназначена для использования через библиотеку Transformers; в метаданных она классифицирована как text-generation и связана с архитектурой pico_decoder. Модель может применяться для генерации продолжений, черновиков и других текстовых последовательностей на хинди. В доступных материалах отсутствуют сведения о разработчике, размере, длине контекста, лицензии, обучающих данных, результатах оценки и точных ограничениях применения.

CreativeSmart-2x7B — экспериментальная разговорная языковая модель, собранная bunnycore методом слияния моделей Nexusflow/Starling-LM-7B-beta и bunnycore/Chimera-Apex-7B с помощью LazyMergekit. Это архитектура Mixture of Experts (MoE) семейства Mixtral с 7,1 млрд параметров и контекстом до 8192 токенов. Модель предназначена для генерации текста в чате, творческого письма, ролевых сценариев и общих запросов. Карточка заявляет поддержку ответов без обычных ограничений на контент и рекомендует явно формулировать пользователю задачу и ожидаемый стиль ответа. Это может быть полезно для художественных и ролевых сценариев, однако качество ответов, точность фактов и следование инструкциям не гарантированы. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель на архитектуре GPT-2, созданная fpadovani на базе fpadovani/ppt-art-lang-newlexicon-eng-baseline-100mb_seed455. Модель обучена с помощью TRL и предназначена для генерации текста; пример в карточке показывает ответ на открытый вопрос на английском языке. Модель принимает текст и генерирует продолжение или ответ. Размер контекста — 512 токенов, формат весов — safetensors. Карточка не описывает отдельные специализированные области применения или дополнительные возможности. Лицензия в доступных данных не указана.

Модель fpadovani/eng-latn-100mb-ppt-Dp-100mb-packed_seed10 — дообученная с помощью TRL версия goldfish-models/eng_latn_100mb. Это плотная GPT-2-подобная языковая модель для генерации текста; карточка показывает пример продолжения ответа на вопрос на английском языке. Модель работает с библиотекой Transformers и хранится в формате safetensors, а её контекст составляет 512 токенов. Модель рассчитана на генерацию коротких текстов и ответов на английском языке. Ограниченный контекст в 512 токенов сужает возможности для длинных запросов и документов. В README и предоставленных метаданных лицензия не указана.

Fibo 1.5 — модель генерации изображений от Bria AI, полученная дистилляцией базовой FIBO. Она рассчитана на профессиональные сценарии, где важно точно управлять композицией, освещением, цветом и параметрами камеры с помощью структурированных JSON-промптов. Семейство FIBO обучено на длинных структурированных описаниях и насчитывает 8 млрд параметров. Fibo 1.5 использует дистилляцию DMD и DMD-R: изображения генерируются за 4–6 шагов без classifier-free guidance. Модель поддерживает генерацию и итеративное уточнение изображений; для сценариев с исходным изображением README описывает использование VLM, которая формирует структурированный промпт. Модель работает в экосистеме Diffusers и принимает английские промпты. Репозиторий распространяется для некоммерческого использования по специальной лицензии; для коммерческого применения Bria предлагает отдельные условия. Чекпойнт оптимизирован для режима с малым числом шагов и не предназначен для дообучения. README не приводит ограничений по контексту или подробных количественных результатов оценки.

FIBO-Edit 1.5 Turbo — модель редактирования изображений от Bria AI, созданная на основе FIBO-Edit 1.5 Base. Она принимает исходное изображение, текстовую инструкцию в структурированном JSON формате VGL и до четырёх референсных изображений, а затем создаёт отредактированное изображение. Поддерживаются редактирование по маске, перенос стиля и внешнего вида, виртуальная примерка, интеграция товаров и композиция по нескольким референсам. Модель использует Diffusers pipeline BriaFiboEditPipeline и архитектуру с трансформером на 8 млрд параметров; в составе также указаны VAE Wan 2.2 и текстовый энкодер SmolLM3. Это дистиллированная версия: для вывода требуется 4 шага диффузии вместо 30 у базовой версии. Карточка заявляет поддержку английского языка для карточки модели, но не перечисляет языки инструкций отдельно. Модель разработана для управляемого редактирования изображений в интерактивных и коммерческих конвейерах. Веса доступны для некоммерческого использования по отдельной лицензии; коммерческое использование предлагается через отдельные условия Bria AI. README заявляет обучение на лицензированных данных и высокое качество следования инструкциям, однако эти утверждения не заменяют независимую оценку для конкретного сценария.

samzirbo/gendered — модель семейства mT5, дообученная samzirbo на неизвестном наборе данных на базе samzirbo/mT5.en-es.pretrained. Она содержит 37,6 млн параметров и предназначена для генерации текста по текстовому запросу. Карточка не раскрывает конкретное назначение модели, поэтому специализацию, сценарии применения и языковое направление установить нельзя. На оценочном наборе указаны Loss 1,1747, BLEU 43,5153, METEOR 0,6866 и chrF++ 62,4637. Весы опубликованы в формате safetensors; лицензия и ограничения использования не сообщены.

aariciah/gpt2-russian-20k-lc — русскоязычная модель генерации текста на архитектуре GPT-2, представленная в формате safetensors и предназначенная для использования с библиотекой Transformers. Карточка сообщает, что модель дообучена, но не называет исходную модель, обучающие данные или автора дообучения. Модель можно использовать для генерации продолжения русского текста. Длина контекста составляет 256 токенов. В карточке нет сведений об оценке качества, предполагаемых сценариях применения или специальных ограничениях; короткий контекст затрудняет работу с длинными запросами. Лицензия не указана в предоставленных данных.

erythropygia/gpt2-turkish-base — авторская дообученная на турецком корпусе модель семейства GPT-2 для генерации текста. Она подходит для продолжения турецких фрагментов и создания черновиков на турецком языке. В обучающих данных около 50 миллионов токенов из Википедии, новостей и других источников. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая текст. Максимальная длина контекста — 1024 токена; веса доступны в формате safetensors. Карточка предупреждает, что модель может генерировать неэтичный текст. Лицензия в предоставленных данных не указана.

mssma/ko-solar-10.7b-v0.6 — авторегрессионная языковая модель семейства Llama с плотной архитектурой, опубликованная в формате Safetensors и предназначенная для генерации текста. Карточка показывает использование через Transformers и загрузку весов в FP16. Модель содержит 10,7 млрд параметров и имеет контекст длиной 2048 токенов. Языковой тег карточки указывает на корейский язык, поэтому модель подходит для генерации текста на корейском. README не описывает конкретные сценарии, обучающие данные или результаты оценки качества. Модель распространяется по лицензии Apache 2.0.

AyoubChLin разработал AyoubChLin/lfm2.5-8b-saudi-dialect — диалоговую модель на базе LiquidAI/LFM2.5-8B-A1B, дообученную методом SFT с LoRA на наборе саудовских арабских диалогов. Модель построена на архитектуре MoE и предназначена для генерации ответов в чате на арабском языке с естественной разговорной формулировкой на саудовском диалекте. Она поддерживает контекст до 128 000 токенов и доступна в формате safetensors по лицензии Apache-2.0. Модель подходит для саудовских чат-ботов, диалоговых ассистентов и прототипов, которым важны неформальная речь и местные выражения. Оценка проводилась на небольшой валидационной выборке из 71 примера и служит диагностикой обучения, а не полноценным бенчмарком. Модель может хуже справляться с другими арабскими диалектами и современным литературным арабским; её ответы могут содержать неточности и смещения из обучающих данных. Она не предназначена для критически важных решений, а фактические ответы и результаты в чувствительных сценариях требуют проверки.

Модель lenciclopedia/opus-mt-es-va-racv — нейронный переводчик с испанского (кастильского) на валенсийский язык по нормам RACV, известным как Normes d’El Puig. Она создана для автоматического перевода текстов и основана на архитектуре Marian / Opus-MT Seq2Seq. В метаданных указаны задача перевода, контекст 512 токенов, формат safetensors и языковой тег испанского; лицензия — MIT. Модель подходит для перевода испанских текстов на нормативный валенсийский с орфографией RACV. Карточка не сообщает о результатах оценки качества или дополнительных ограничениях, поэтому качество на конкретных жанрах и длинных текстах следует проверять отдельно.

Модель fpadovani/ppt-wc-uniform-newlex-eng-100mb_seed13 — дообученная на английском языке GPT-2-подобная языковая модель на основе goldfish-models/eng_latn_100mb. Разработчик указывает, что модель обучалась с помощью TRL; веса доступны в формате safetensors и рассчитаны на запуск через Transformers. Модель предназначена для генерации продолжений текста и ответов на короткие открытые вопросы. В карточке приведён пример генерации ответа на вопрос о путешествии во времени. Контекст модели составляет 512 токенов. Данных о сравнительном качестве и специализированных областях применения в карточке нет. Лицензия не указана в предоставленных сведениях; базовая модель описана как монолингвальная модель для английского языка.